太陽能殺蟲燈物聯網故障診斷特征分析及潛在挑戰

　　摘要: 太陽能殺蟲燈物聯網(SIL-IoTs)是一種基于農業場景與物聯網技術的新型物理農業蟲害防治工具，通過無線傳輸太陽能殺蟲燈組件狀態數據，用戶可后臺實時查看太陽能殺蟲燈運行狀態，具有殺蟲計數、蟲害區域定位、輔助農情監測等功能。但隨著SIL-IoTs快速發展與廣泛應用，故障診斷難和維護難等矛盾日益突出。基于此，本研究首先闡述了SIL-IoTs的結構和研究現狀，分析了故障診斷的重要性，指出了故障診斷是保障其可靠性的主要手段。接著介紹了目前太陽能殺蟲燈節點自身存在的故障及其在無線傳感網絡(WSNs)中的體現，并進一步對WSNs中的故障進行分類，包括基于行為、基于時間、基于組件以及基于影響區域的故障四類。隨后討論了統計方法、概率方法、層次路由方法、機器學習方法、拓撲控制方法和移動基站方法等目前主要使用的WSNs故障診斷方法。此外，還探討了SIL-IoTs故障診斷策略，將故障診斷從行為上分為主動型診斷與被動型診斷策略，從監測類型上分為連續診斷、定期診斷、直接診斷與間接診斷策略，從設備上分為集中式、分布式與混合式策略。在以上故障診斷方法與策略的基礎上，介紹了后臺數據異常、部分節點通信異常、整個網絡通信異常和未診斷出異常但實際存在異常四種故障現象下適用的WSNs故障診斷調試工具，如Sympathy、Clairvoyant、SNIF和Dustminer。最后，強調了SIL-IoTs的特性對故障診斷帶來的潛在挑戰，包括部署環境復雜、節點任務沖突、連續性區域節點無法傳輸數據和多種故障診斷失效等情形，并針對這些潛在挑戰指出了合理的研究方向。由于SIL-IoTs為農業物聯網中典型應用，因此本研究可擴展至其它農業物聯網中，并為這些農業物聯網的故障診斷提供參考。

　　關鍵詞: 太陽能殺蟲燈;無線傳感網絡;農業物聯網;故障診斷;蟲害

　　本文源自智慧農業(中英文), 2020, 2(2): 11-27.《智慧農業(中英文)》(季刊)是國家新聞出版署批準、國內外公開發行的農業工程類學術期刊，由中華人民共和國農業農村部主管，中國農業科學院農業信息研究所主辦，《智慧農業(中英文)》編輯委員會學術指導，《智慧農業(中英文)》編輯部編輯出版。

　　1 引 言

　　農業是支撐國民經濟建設與發展的第一基礎產業。然而農業蟲害，尤其是遷飛性害蟲，如草地貪夜蛾、稻縱卷葉螟和甜菜葉蛾等，對農業的正常生產造成了極大的負面影響[1]。目前蟲害防治的主要手段是施用農藥，但長期大量使用農藥，不僅降低了農產品的品質，污染了自然環境，而且還提高了害蟲的抗藥性，不利于中國農業的可持續發展[2]。

　　在國家實行化肥農藥雙減政策背景下，太陽能殺蟲燈(Solar Insecticidal Lamps，SIL)作為一種通過太陽能供電、利用遷飛性害蟲趨光性引誘害蟲撲燈從而起到殺蟲作用的物理防治工具，已逐漸成為中國害蟲防治與植物保護方面的研究熱點[3]。由于太陽能殺蟲燈部署于野外，受環境影響較大，容易出現故障;而且因其多懸掛于較高的金屬桿上，且有高壓金屬網，因此檢修和維護較為困難，無法長期發揮殺蟲作用。傳統太陽能殺蟲燈①不包含物聯網功能，一般未設有故障診斷功能。部分有故障診斷功能的產品通過內置傳感器檢測電壓與電流的異常變化。當出現異常時，通過亮起故障警報燈的方式等待維護人員發現異常。維護人員通過現場觀察、測電筆檢測進行經驗式故障診斷，無法滿足快速殺蟲計數、故障診斷、蟲害區域判斷等農業生產需求。

　　隨著物聯網技術的發展，無線傳感網絡(Wireless Sensor Networks, WSNs)被廣泛應用于溫室大棚[4]、植保無人機[5]、植物表型平臺[6]等智慧農業場景。太陽能殺蟲燈物聯網(Solar Insecticidal Lamps Internet of Things, SIL-IoTs)正是WSNs與SIL結合的產物。SIL-IoTs通過無線通信模塊(如ZigBee和LoRa)將殺蟲計數、太陽能殺蟲燈組件狀態信息等上傳到云平臺與用戶移動端，或直接在節點端進行在線狀態監測，以滿足用戶實時獲取設備故障信息需求。用戶通過后臺發送調整工作時長等命令來遠程控制并管理SIL-IoTs，如利用已知坐標信息的SIL-IoTs節點進行實時殺蟲計數，快速判定蟲害區域，提升太陽能殺蟲燈實驗的效率，進而輔助農藥施用決策。此外SIL-IoTs還可擴展土壤墑情、溫濕度等模塊，以滿足不同農業場景下的具體需求，實現農情輔助監測功能[7]，提升農業生產管理效率[8]。

　　基于此，企業紛紛研制SIL-IoTs產品，但仍存在一定的局限性。主要體現在：1)目前市場上的產品均基于蜂窩移動網絡進行數據傳輸。這種方式不僅增加了殺蟲燈節點的維護成本(需要一直繳納流量費用)，且不適用于部分網絡信號質量較差的農村區域。2)目前產品殺蟲計數均基于高壓電網放電次數進行計數，當多只害蟲同時碰撞高壓電網時，電網只進行一次放電，記為殺蟲一次;或蟲子粘在高壓電網上持續性放電時，有蟲子撞擊電網，也不進行計數。這些情況導致殺蟲計數結果不可信，可能誤導故障的診斷。3)WSNs采用的是節點多跳傳輸至基站的方法，基于蜂窩移動網絡的后臺故障診斷方法(較低延遲與通信代價)不適用于SIL-IoTs。因此使用ZigBee等低成本、自組網通信方式，通過節點間互相通信以及節點與基站通信的方式實時監測太陽能殺蟲燈組件狀態，對SIL-IoTs的長期運行更加有利。并且基于節點自診斷、鄰居節點互相監督等方法，后臺能及時發現組件存在故障，通過重啟等手段消除系統故障。

　　本文在介紹SIL-IoTs結構和研究現狀的基礎上，闡述了SIL-IoTs故障診斷的重要性，分析了SIL-IoTs故障診斷的特征，并進一步展望了其部署環境與工作特性給故障診斷帶來的潛在挑戰。

　　2 SIL-IoTs及其故障診斷重要性

　　2.1　SIL-IoTs結構及研究進展

　　目前，應用中主要使用的傳統太陽能殺蟲燈是太陽能頻振式殺蟲燈和太陽能風吸式殺蟲燈。這兩種殺蟲燈均利用誘蟲光源吸引害蟲至殺蟲燈附近，頻振式殺蟲燈通過高壓電網放電殺滅害蟲，風吸式殺蟲燈通過風扇吸入害蟲，使其風干。SIL-IoTs在硬件結構上比傳統太陽能殺蟲燈多了無線通信設備與天線，如圖1所示，用于節點間通信或與基站通信。其中無線通信設備通過蓄電池供電，而蓄電池通過太陽能板充電，因此相較于節點能量有限的傳統WSNs，SIL-IoTs是一種能量采集-無線傳感網絡(Energy-Harvesting WSNs,EH-WSNs)。EH-WSNs是一種通過采集外界能量(如無線充電、太陽能、風能)為傳感器電池充電的新興WSNs形式。它極大地延長了節點與網絡壽命，使傳感器節點突破能量的束縛，進而支持通信范圍更廣、計算能力更強的邊緣計算節點。將故障診斷方法部署在邊緣計算節點可以有效降低診斷信息延遲，通過自恢復的方法恢復部分故障，而不必將故障信息傳輸到后臺后再恢復，提高了SIL-IoTs的可靠性。

　　從系統結構上，依據WSNs的定義，可將SIL-IoTs分為感知層、傳輸層、邊緣層以及應用層，如圖2所示。感知層通過多種傳感器完成數據采集任務，并利用傳輸層的無線通信設備上傳采集到的數據。對于計算量小、實時性要求高的任務，可在本地設備進行數據處理并發送控制命令至執行器。當區域性蟲害爆發時，若將蟲害數據上傳至云端再由云端將控制命令傳回至執行器，較大的時延可能導致殺蟲任務調整總是落后于實際蟲情變化。而應用層可將云平臺或邊緣層處理后的數據或決策信息發送至Web站點或用戶手機，便于用戶實時查看或幫助用戶做出更正確的決策。

　　目前科研人員已經開展了部分研究，Lam等[9]將誘蟲燈與WSNs結合，通過感知誘蟲燈中的害蟲重量識別害蟲種類，利用星型拓撲結構和時分控制的方式傳輸數據，建立了用于實時監測越南湄公河三角洲地區褐飛虱的監控網絡。Eliopoulos等[10]提出了一種基于生物聲學技術的糧倉蟲害密度估計方法，通過分析壓電傳感器的振動記錄對區域內谷物侵染嚴重程度進行判別。Lopez等[11]提出了一種基于低成本圖像傳感器的蟲害監控系統，可部署于溫室大棚或大田中，通過單跳或多跳傳播的形式上傳蟲害數據，通過圖像識別算法檢測害蟲。Yang等[12]提出了一種基于分區結構的SIL-IoTs節點部署策略，利用農田天然的分區結構，將SIL-IoTs的節點部署問題轉化為二次分配問題，并采用遺傳算法對該問題求解。該策略在保證全覆蓋的約束下，顯著降低了節點的部署數量，可用于復雜的農業環境中。

　　2.2　SIL-IoTs故障診斷重要性

　　由于SIL-IoTs在日常應用中承擔著較重的殺蟲任務以及輔助蟲害觀測任務，當SIL-IoTs出現故障時，不僅無法殺滅害蟲，而且可能誤導農民對蟲害的估計情況，從而導致農藥用量偏差，進一步影響作物的品質與產量。特別地，當誘蟲光源能正常工作但殺蟲組件出現故障時，周圍害蟲被吸引至太陽能殺蟲燈附近卻又無法殺蟲，將造成局部地區害蟲爆發性增長。此類情形不僅對作物產生危害，還會使用戶認為SIL-IoTs將其他區域的害蟲吸引到自己農田中，進而影響SIL-IoTs的推廣與應用。因此對SIL-IoTs故障進行快速、準確的診斷非常重要。

　　目前市場上使用的基于蜂窩移動網絡的SIL-IoTs產品主要通過維護人員經驗式故障診斷，以及當運行狀態數據跳變或不在合理范圍內時判定故障[7]。當移動蜂窩網絡出現通信問題時，除了自帶的故障診斷警報燈外，后臺只能獲取節點網絡連接失敗的信息，無法對其進行遠程故障診斷。與移動蜂窩網絡直連基站不同的是，在WSNs中，殺蟲燈部分故障診斷策略可在本地節點或邊緣計算節點執行，從而達到自診斷與自恢復效果。

　　太陽能殺蟲燈與物聯網技術的結合在帶動害蟲防治技術發展同時，也帶來了新的挑戰，包括多約束條件下SIL-IoTs節點部署、SIL-IoTs工作時長自適應策略、蟲害爆發區域快速精準定位以及嚴重蟲害時高壓放電數據抗干擾[7]。這些挑戰都建立在SIL-IoTs可靠性得到保證的前提下，且與之相輔相成。如果SIL-IoTs無法得到保障，故障未被及時排查將導致部署策略失效;SIL-IoTs節點損壞，無法工作，工作時長自適應無意義;蟲害爆發區域錯誤定位，網絡拓撲結構錯誤調整導致整個網絡崩潰等。因此，可靠性是保障SIL-IoTs產品能否長期穩定運行的關鍵性問題。而故障診斷通過各類算法在節點或后端處檢測并分類出SIL-IoTs 中存在的故障，是保障可靠性的前提。研究針對SIL-IoTs的故障診斷方法，及時發現SIL-IoTs故障，對于減少農業生產受蟲害侵襲造成的經濟損失尤為重要。

　　3 SIL-IoTs故障診斷特征分析

　　有效的故障診斷方法依賴于對研究背景的特征分析，因此有必要進行SIL-IoTs的故障診斷特征分析。

　　3.1　SIL-IoTs故障分類

　　SIL-IoTs是一種含有殺蟲及太陽能充電功能的WSNs，其中太陽能殺蟲燈組件、傳感器模塊以及無線通信模塊為SIL-IoTs的整體組件構成，基于此借助傳統WSNs的故障分類及診斷方法對SIL-IoTs的故障診斷進行特征分析。

　　WSNs是一種自組網絡，通過部署在不同應用場景下的大量傳感器采集數據，傳輸到一個或多個基站，最終傳輸到云平臺或移動端[13]。檢驗WSNs可靠性最重要的指標就是檢測基站是否收到正確的感知數據，未收到所有的數據或收到不正確的數據即可判斷WSNs存在故障。依據不同的特征，可將WSNs故障分為四種類型，分別是基于行為、基于時間、基于組件以及基于影響區域的故障[14]，如圖3所示，其中紅色外框故障為較難診斷的故障。

　　3.1.1　基于行為

　　當WSNs中存在故障時，傳感器節點表現行為包括無法發送數據、發送錯誤數據或間斷性地發送數據?；诖藢⒐收戏譃橛补收虾蛙浌收稀Ｓ补收现競鞲衅髂K組件完全損壞，因而無法與其他傳感器通信[15]。損壞的組件可能但不限于通信模塊或收發模塊故障、電池損壞、集成電路受雨水侵蝕以及超出通訊半徑[16]。當傳感器仍處于激活狀態，但發送不正確數據或時常不能發送數據則表明WSNs處于軟故障狀態[17]，如發送異常的殺蟲計數數據或間斷的發送殺蟲計數數據。

　　3.1.2　基于時間

　　從故障的持續時間分析，可將故障分為永久性故障、間歇性故障和暫時性故障[18,19]。永久性故障通常與硬故障同時發生，例如電池故障時，SIL-IoTs節點無法接入網絡，不僅無法上傳數據，而且無法殺蟲。當傳感器節點或網絡在無故障與有故障狀態之間不停切換時，表明目前其正處于間歇性故障中，如SIL-IoTs燈管頻繁啟動。暫時性故障則是短時間內發生的間歇性故障，會自我恢復，通常是由于外部環境變化等導致，難以診斷。

　　3.1.3　基于組件

　　SIL-IoTs由硬件(多種傳感器、傳統太陽能殺蟲燈組件、無線通信模塊)和軟件(協議棧、后臺控制程序、傳感器驅動文件)組件組成。當組件故障時，會導致正常工作的SIL-IoTs行為發生變化，進而造成硬故障或軟故障?；诮M件的故障可分為節點故障、網絡故障、基站故障以及后端故障。節點故障指傳感器節點與太陽能殺蟲燈組件發生故障，其中傳感器節點主要包括傳感器單元、數據處理單元、無線收發器和電源[20]。電池電量不足極易造成節點故障，因此需要良好的能量管理方式，防止部分關鍵節點能量下降過快而導致整個網絡故障[21]。根據第2節中的組成結構，太陽能殺蟲燈節點組件可能發生的部分故障如表1所示，大部分故障都源于生產工藝不足或硬件老化問題[22,23]。傳感器節點通過通信鏈路互相連接，當鏈路出現故障時，節點消息無法被發出或具有較大的延遲。路由決定了消息的傳遞路徑，當路由出現軟件故障時，消息可能發送到不正確的目的地，甚至造成局部區域鏈路擁塞或發包沖突?；矩撠煂⑹占降臄祿酆喜⑼ㄟ^網關發送到應用層，當基站出現故障時，整個網絡的信息可能全部丟失，造成嚴重后果。此外，局部地區的擁塞可能擴散至基站，影響基站接收其他節點的數據。后端故障主要源于軟件故障或黑客入侵。黑客入侵時，后端決策系統接收到錯誤的指令，造成整個網絡的故障。需要采取相應的安全措施來預防黑客入侵。

　　3.1.4　基于區域

　　基于故障所影響的區域可分為局部故障與全局故障。局部故障表現為一個或多個節點受到故障影響。關鍵節點受到影響并進一步影響到整個網絡時，即稱為全局故障。如果沒有采取適當的故障診斷與故障恢復措施，局部故障可能演變成全局故障。如區域性蟲害爆發導致區域內SIL-IoTs節點網絡故障，如果不快速調整網絡拓撲結構，蟲害爆發區域鄰居節點可能受到鏈路擁塞、多節點重復發包等影響，導致能量快速下降，再擴散至更大范圍，最后迫使SIL-IoTs全局故障。

　　實際故障類型往往不是用這四種特征下的某一個故障類型描述的，而是基于這四種特征進行精準地描述。例如，某SIL-IoTs節點A電池損壞，由于其具有組件損壞及永久無法發送數據的特征，可將其稱為永久性節點硬故障。如果沒有好的拓撲控制方法及備份路由，A節點的上一跳節點B 重復的向故障節點A發包，但是A節點無法成功收包，此時節點B與節點A之間又存在網絡故障。由于短時間能耗異常，當B節點電量耗盡時，其狀態也為永久性節點硬故障。若B節點的鄰居節點C原本通過B節點發送數據包，但當B節點出現故障時暫時未能發送成功，隨后通過其他無故障節點成功發送數據包，則C節點為暫時性軟故障。此外，若A節點和B節點負責多個節點的數據轉發時，則此時與A節點和B節點關聯區域存在局部網絡故障。進一步影響全局時，則為全局網絡故障。

　　上述提到的是單個原因(某SIL-IoTs節點A電池損壞)造成的多種故障(節點A、B以及C均存在故障)，還存在多種原因造成的多種故障，如復合型故障。復合型故障是多種故障同時發生的特殊故障，也是WSNs故障診斷的難點。在SIL-IoTs中，復合型故障包括但不限于：節點網絡故障以及蟲害爆發導致的臨時性區域節點無法傳輸數據，兩種故障導致的結果類似，同時發生時難以診斷;節點軟故障與網絡故障同時發生，此時部分存在軟故障的節點因為網絡故障無法將數據傳輸到后臺，因而只能檢測出網絡故障;太陽能殺蟲燈燈管、高壓電網或風扇故障時，若同時發生節點軟故障導致殺蟲數據異常，此時需要利用不同組件對不同參數進行診斷，否則難以診斷故障類型。因此，調研目前WSNs中現有的故障診斷方法以判斷其是否適用于以及如何應用于SIL-IoTs尤為重要。

　　3.2　WSNs故障診斷研究方法

　　WSNs故障診斷一般分為四步：檢測、孤立、鑒別和恢復[24]，這四步也適用于SIL-IoTs故障診斷。首先檢測SIL-IoTs是否存在故障。當存在故障時，需要使用診斷方法定位故障位置并鑒別故障類型。隨后將故障節點或故障鏈路孤立以保證無故障部分正常運行。最后依據故障類型進行針對性故障恢復，保證SIL-IoTs正常運行。此外，在發生故障時，一般會采取故障容錯機制，快速隔離故障保證WSNs的正常運行[25]?；诠收显\斷的觸發方式可將其分為主動與被動兩類。主動觸發是一種節點或基站會定期檢測網絡狀態的故障診斷方式，而被動觸發則是一種當節點或網絡狀態不符合預設情況時再觸發故障診斷方法的診斷方式?；谶@兩種觸發方式和不同的應用背景及約束條件，如網絡密度、時效性要求、能耗要求、節點計算能力等，目前已研究出多種類型的WSNs故障診斷方法。根據這些方法的特性，將其分為以下6類方法：統計方法、概率方法、層次路由方法、機器學習方法、拓撲控制方法和移動基站方法。表2為近年經典故障診斷研究方法的分類情況。

　　3.2.1　統計方法

　　統計方法通過建立模型，運用統計指標對數據進行檢驗，當結果不符合檢驗時，標記為故障樣本，并進一步根據故障樣本的離群程度、方差和標準差指標等對其進行故障分類。Panda和Khilar[28]提出了一種基于改進三西格瑪(3sigma)故障自診斷方法，每個節點收集一跳鄰居節點的數據并通過3sigma檢驗觀察自身是否存在硬故障或永久性故障。此方法通過節點自身進行故障診斷，因此要求節點有一定的存儲與計算能力。當節點數量較少時，此種方法不適用。Jiang[26]提出了一種改進的分布式故障診斷方法。當超過一半的鄰居節點與目標節點數據的差值超過閾值時，將節點標記為可能故障，用同樣的方法標記網絡中所有節點。然后判斷目標節點中初始檢測狀態為正常的鄰居節點是否有一半超過閾值，如果是則確定目標節點故障。當目標節點附近沒有鄰居節點或所有鄰居節點均標記為可能故障時，如果目標節點初始檢測狀態為可能故障，則目標節點標記為故障。此方法降低了統計方法對鄰居節點的依賴性，可用于節點稀疏的WSNs中。但是此類方法為主動診斷方法，會造成較高的能量損耗。因此，Jin等[29]提出了一種基于自回歸模型與Kuiper檢驗的被動故障診斷方法?；诋斈硹l路徑中的節點故障時，其他節點會選擇新的路徑并且通信時間會增加的特點，通過Kuiper檢驗來檢測異常，從而判斷是否存在故障。

　　統計方法大多依據目標節點與鄰居節點值的差異進行診斷，是一種基于節點的分布式故障診斷方案。當節點處于邊緣地區，沒有足夠的鄰居節點參與計算，或是鄰居節點也存在故障時，此類故障診斷方法的正確性無法得到保證。此外，此類方法大多基于節點進行故障診斷，權衡節點能量消耗與故障診斷率是另一大挑戰。由于SIL-IoTs電池可充電、有一定計算和存儲能力，因此部署于節點處的統計方法十分適用，特別是節點暫時性與間歇性等依靠數據長期波動趨勢進行分析的故障。

　　3.2.2　概率方法

　　概率方法將故障診斷問題當作一個分類概率模型。Lau等[27]提出了一種基于樸素貝葉斯框架的集中式硬件故障檢測方法。在基站分析收集到的端到端傳輸時間數據，判斷故障概率是否大于正常概率。如果是，則判定原路徑有節點故障，再選取近期多次數據傳輸時間數據進行評估。此方法在無擁塞網絡中可以有效監測網絡故障，并給出可疑故障節點，但無法檢測邊緣地區的節點。Peng和Chow[30]提出了一種鄰域隱藏條件隨機域法來確定傳感器間的隱藏狀態。這種方法利用信號強度與信號延遲來估計不同故障后驗概率，以此確定WSNs的健康狀況。此方法可用于不同通信條件與節點數量場景中。Liu等[35]將工業WSNs中的故障節點識別問題轉化為軌跡提取問題。通過概率模型的在線學習，將感知節點分布變成概率值分布模式。根據生成的概率值分布軌跡，進行模式匹配與時空約束檢查，以識別故障節點。

　　概率方法大多不能鑒別故障的類別。此外，因為主要使用信號強度、信號延遲等參數進行故障診斷，因此難以獲取故障節點的數量，只能判斷存在故障的路徑及估計路徑丟失節點的情況。與統計方法類似，部署于節點的概率方法也適用于SIL-IoTs故障診斷，特別是前期的故障檢測與孤立。

　　3.2.3　層次路由方法

　　層次路由是一種將節點分為多個簇，每個簇的簇頭節點(Cluster Head node，CH)收集簇內節點的信息，通過CH直接上傳數據到基站或多跳CH上傳數據到基站的數據傳輸方式[40,41]。層次路由故障診斷方法也是通過CH對簇內成員進行診斷[42]。Jassbi和Moridi[34]采用混合節能分布式層次路由方法(Hybrid Energy-Efficient Distributed clustering，HEED)進行分簇，采用加權中值法對簇內節點進行檢測。當CH出現故障時，使用提前選取的簇內備份CH進行數據傳輸與故障檢測工作。Moridi等[39]提出一種基于簇的多路徑故障容錯算法，對WSNs中的節點分簇后，選擇一個備份節點提高CH節點容錯性。當簇內數據傳輸時，通過假設檢驗和簇內投票的方式檢測節點的故障。最后根據剩余能量、跳數、傳播速度和可靠性參數選擇最優傳輸路徑。該方法可以有效降低丟包率，提升數據準確性。

　　層次路由方法比其他通過普通節點進行自診斷的方法更加簡單有效，在診斷故障后還可通過改變網絡路由保障WSNs的可靠性。但是，由于多輪的CH選取，層次路由方法增加了WSNs的通信與能量開銷。此外，由于CH依然通過鄰居節點數據判斷目標節點故障狀態，當簇內大多數節點出現故障導致數據異常時，正常節點反而可能被誤診為故障節點。層次路由方法適用于較大規模的SIL-IoTs部署情況，其分簇進行故障診斷的方式能快速檢測節點軟故障與硬故障。此外，層次路由方法亦適用于SIL-IoTs故障容錯方案設計，保障其在發生故障時不受影響。

　　3.2.4　機器學習方法

　　監督學習方法是機器學習方法在WSNs故障診斷領域中主要的應用。監督學習方法通過大量有標簽的歷史數據訓練故障診斷模型，利用目標函數不斷地調整模型參數，直到模型能有效地檢測并分類故障。Zhao等[36]采用半監督學習方法對故障傳感器節點進行分類，還引入了一種基于局部核密度估計的標簽傳播機制。此方法考慮到基站收集的數據會出現丟包現象，用半監督核密度估計方法估計丟包數據的類標簽，以此分類故障并構造訓練集。Javaid等[37]根據數據特征將故障分為偏移故障(傳感器校準不佳)、增益故障(在特定時間段內數據變化率不符合規律)、卡死故障(數據長期為0)和超過范圍(有正常讀數但超出正常范圍)，提出了一種基于信任函數的決策融合算法，通過增強支持向量機、增強K近鄰、增強極限學習機和增強遞歸極限學習機進行組合運算，以此分類故障。

　　機器學習方法需要設備具有較高的計算性能，因此大多在基站或后臺運行，是一種集中式處理方案。盡管此類方法在故障診斷上有良好的檢測率，但其在后臺運行的特點導致不能快速的發現故障并進行恢復。此外，該方法依賴于大量數據建立模型，獲得較精確的分類結果，因此多用于間歇性與暫時性節點故障中。對于SIL-IoTs而言，機器學習方法可部署于基站或部署輕量級算法于節點處，結合統計方法檢測節點間歇性與暫時性故障，利用新數據不斷更新模型，對SIL-IoTs的野外環境變化有較大的容忍度。

　　3.2.5　拓撲控制方法

　　WSNs中的故障有可能改變網絡的拓撲結構。如節點剩余能量較低無法承擔數據轉發任務時，在平面路由中其他節點將尋找別的傳播路徑，在層次路由中簇內會喚醒備份節點替代此節點繼續執行任務。Oßner等[31]提出了一種基于拓撲結構的故障定位方法。通過基站將網絡拓撲以圖形表示，包含WSNs內的故障信息?；诖私o每個節點分配一個可疑度得分，得分越高，故障概率越大。Sulieman和Gitlin[33]提出了一種基于分集技術與三角網編碼組合的WSNs網絡故障診斷策略。該方法通過構建冗余路徑，快速替代發生鏈路故障的路徑，可以有效地節省能量消耗并快速的調整拓撲結構。但

　　個目標節點中發生

　　個鏈路故障時，至少需要

　　個冗余鏈路。

　　拓撲控制方法的目的是降低故障發生時WSNs的能量消耗與帶寬損失。拓撲控制方法在網絡故障與故障定位方面有較好的性能表現，對于其他故障暫未有相關性研究。在SIL-IoTs中，拓撲控制方法可以有效診斷網絡故障并重構路由，是SIL-IoTs不可缺少的故障診斷策略。

　　3.2.6　移動基站方法

　　數據從節點傳輸到基站有一定的時延性，因此WSNs節點數量較大時故障診斷與故障恢復效率降低。此外，由網絡故障導致的拓撲結構變化也為網絡故障診斷增加了難度。Chanak等[32]提出了一種基于移動基站的分布式故障診斷方法。移動基站是一種配備無線收發器的移動機器人或車輛，其移動到網絡中的不同區域通過單跳通信的方式來診斷附近傳感器的軟硬件狀態，有效提高了網絡的故障檢測精度。Fissaoui等[38]提出了一種基于故障容錯與能量有效性的分布式WSNs數據融合算法。該方法利用移動代理在傳感器節點間的遷移進行數據收集，規劃移動代理的路徑與節點失效時的備用路徑，降低了節點能耗與數據傳輸時延。

　　移動基站方法能夠有效地提高網絡的故障檢測精度，提高故障檢測與恢復的實時性，降低節點的能量消耗。目前移動基站的主要研究問題在于檢測區域劃分與檢測路徑優化。此外，由于移動基站方法需要自主移動的機器人或車輛，并且提前規劃好路徑，因此對應用場景的要求較高。在SIL-IoTs中，可作為移動基站的有無人收割機、植保無人機等具有移動作業特性的農機裝備。盡管移動基站方法在故障檢測率、時延性方面均有較好效果，但SIL-IoTs故障診斷受無人收割機、植保無人機等作業路徑、工作時長、作業區域等影響較大，能否有效結合是一個未知數。

　　如圖4所示，SIL-IoTs應用于大田農業、禽畜養殖、茶園種植等場景中(以藍色字體表示)，在不同場景中可能存在多種無線傳感設備與SIL-IoTs相連(以紅色字體表示)，通過無線通信設備進行數據傳輸(以橙色虛線表示)。在此種復雜的SIL-IoTs場景中，使用單種故障診斷方法難以取得良好效果。對于部署在后臺的故障診斷方法(如概率方法、機器學習方法、拓撲控制方法，通過后臺分析接收到的全局信息進行故障診斷)，由于后臺強大的計算與存儲能力，以及從SIL-IoTs節點將數據經過多跳鏈路傳輸到后臺存在時延的特點，因此更適用于處理時效性要求不高、較難診斷的故障。對于部署在SIL-IoTs節點的故障診斷方法(如統計方法、層次路由方法，通過節點自身時間相關性與鄰居節點空間相關性進行故障診斷)，由于節點有限的計算與存儲能力，以及不需要多跳傳輸數據的特點，因此更適用于時效性要求較高、較易診斷的故障。其中故障診斷的時效性指故障出現到故障解決的時間。

　　移動基站方法可以綜合部署于后臺及部署于節點的故障診斷方法的優點，但對作為基站的載體要求較高。此外，衛星遙感數據、無人機數據等可用于故障診斷輔助決策或驗證故障診斷正確性。如某殺蟲燈殺蟲計數值持續較低，通過無人機航拍數據可觀測實際蟲情，借此輔助判斷是燈管故障或是節點軟故障。

　　3.3　SIL-IoTs故障診斷策略

　　對于SIL-IoTs而言，合適的故障診斷策略直接關系到故障診斷的準確率與效率，因此選擇合適的故障診斷策略十分重要。

　　從行為方面，可將故障診斷分為主動型診斷與被動型診斷策略。主動型診斷通過用戶提出診斷指令，或WSNs定期執行相關診斷程序，多基于基站進行，可精細地排查SIL-IoTs中潛在的故障。被動型診斷通過預設參數閾值等，在CH、中繼節點或邊緣計算節點等進行診斷，多基于節點自身，可及時檢測出SIL-IoTs中影響較大的故障。

　　從監測類型方面，可將故障診斷分為連續診斷、定期診斷、直接診斷與間接診斷。連續診斷即進行實時性診斷，需要消耗較多能量，但能及時檢測故障，適用于產值較高的場景，如茶園或畜牧養殖。定期診斷即設定故障診斷周期，達到觸發條件時即開始診斷，隨后休眠直至達到下一個觸發條件，適用于絕大多數SIL-IoTs場景。直接診斷即通過現場觀測方式進行經驗性評估，如維護人員現場觀察、測電筆檢測方式。間接診斷即通過相關性較強的數據等信息判斷是否存在故障，基于WSNs的故障診斷均為間接診斷。

　　此外，根據故障診斷方法在SIL-IoTs系統結構中不同層中執行的特點，可將故障診斷分為集中式、分布式以及混合式三種策略。其中集中式策略將數據包傳輸至后臺，由后臺對所有節點及鏈路進行故障診斷，具有全局檢錯率高、時延高的特點。由于后臺收集到的歷史數據充足，因此概率方法、機器學習方法等對數據有較高依賴的方法更為適用。此外，由于集中式策略能獲得全局拓撲信息，因此也適用于拓撲控制方法，根據路由變化情況快速定位故障。分布式策略則將故障診斷方法部署于SIL-IoTs節點或邊緣節點端，通過節點自身或鄰居節點互相監聽的方式進行故障診斷，具有局部檢錯率高、時延低的特點。統計方法可有效利用節點自身數據的時間相關性與鄰居節點之間的空間相關性進行統計檢驗。此外，層次路由方法利用簇頭整合簇內節點信息的機制，采用簇內投票等方式可檢測簇內節點故障，因此也屬于分布式方法?；旌鲜浇Y合了集中式與分布式的特點，是一種更為有效的故障診斷策略。如移動基站方法可在基站移動過程中對所在區域一跳鄰居節點進行分布式故障診斷，又可利用在移動路徑中已獲得的節點信息進行集中式故障診斷。多種故障診斷策略與方法關系如圖5所示。

　　基于SIL-IoTs各種故障類型在WSNs中表現，應當采取的故障診斷策略如表3所示。WSNs主要通過數據異常及網絡通信異常檢測故障，所以對于后臺數據異常、部分節點異常、整個網絡通信異常，均可通過現有WSNs故障診斷方法對SIL-IoTs進行故障檢測與故障分類，繼而進行故障恢復。對于硬故障或長時間未恢復的軟故障，如燈管兩端發紅但不亮，需要安排維護人員及時現場檢修。

　　在相應的故障診斷方法與策略的基礎上，選擇合適的軟件工具對SIL-IoTs進行調試也十分重要。目前已有很多學者研發了WSNs故障診斷的調試工具，這些工具監控的對象包括流量狀態、節點狀態以及全局狀態[43]。流量監控多使用機器學習算法來分析并跟蹤數據包，以此檢測網絡故障;節點狀態監控工具通過收集每個節點的信息(如狀態，事件跟蹤)以及節點間交互影響，幫助用戶分析故障;全局狀態監控結合多個節點的信息以發現于診斷故障。對于表3中不同的故障現象，如后臺數據異常，可利用Ramanathan等[44]提出的可檢測并定位網絡中節點崩潰、重啟、無線路由、鄰居缺失和路由失效的故障監測工具Sympathy進行調試。對于部分節點通信異?？衫肶ang等[45]提出的綜合源代碼級無線網絡調試器Clairvoyant調試。開發人員通過無線連接到WSNs，通過終端、步進、監視、回溯等命令檢測WSNs中的節點通信故障。對于整個網絡通信異?？墒褂肦ingwald等[46]提出的一種可檢測節點意外重啟、孤立節點、分區網絡故障的故障檢測工具SNIF進行調試。對于未診斷出異常但卻實際存在異常情況，可考慮Khan等[47]提出的一種解決用于多個組件交互產生的復合故障的診斷工具Dustminer。此工具通過記錄WSNs中多種不同類型的事件，能自動分析日志并提取導致故障的事件序列。針對能量采集模塊，可有效診斷由于電量的間歇性變化導致的系統重置等間歇性故障的Energy-interference-free Debugger[48]亦可用于SIL-IoTs這種EH-WSNs中。

　　4 SIL-IoTs故障診斷潛在挑戰

　　李凱亮等[7]提出了四個SIL-IoTs關鍵問題，包括多約束條件下SIL節點部署、保障殺蟲燈基本工作時間的能量自適應控制策略、蟲害爆發區域精準定位技術和嚴重蟲害情況下殺蟲燈密集放電時段網絡數據抗干擾傳輸。這些關鍵問題可以概述為應用場景的特性，針對這些特性開展SIL-IoTs故障診斷研究存在以下挑戰。

　　(1) 殺蟲燈節點部署環境復雜。太陽能殺蟲燈被廣泛地應用于農業的各種場景中，且在不同場景中有不同的數據采集和部署需求。根據實際需求部署的殺蟲燈節點數量與密度不一，這也增加了SIL-IoTs故障診斷的困難。然而目前尚未出現SIL-IoTs場景下的故障診斷方法研究，亟需研究出針對不同農情的SIL-IoTs故障診斷方法。

　　此外，SIL-IoTs屬于能量采集-無線傳感網絡，基于能量有限的WSNs故障診斷與故障容錯技術不再適用，目前只有少量研究基于EH-WSNs的故障診斷與故障容錯方法[49,50]，使用方法為層次路由與拓撲控制。當SIL-IoTs節點部署在丘陵山地時，所有節點的太陽能板單位時間采集到的能量存在差異，這也是SIL-IoTs故障診斷必須要解決的問題。只有不均等能量采集條件下的異構WSNs故障診斷問題得到有效解決時，才能保證SIL-IoTs的可靠性。

　　(2)　節點任務沖突。SIL-IoTs不僅需要執行殺蟲任務，同時還可能需要執行采集并傳輸環境數據、土壤墑情、苗情等任務，一般情況下殺蟲任務優先級最高。已驗證頻振式殺蟲燈高壓電網放電會對數據傳輸產生干擾，實驗場景如圖6所示[51]。當高壓電網頻繁放電時數據采集及傳輸任務勢必受到影響。除了通過硬件及外觀設計避免干擾之外，設計防止誤判的故障診斷策略，以及基于故障容錯策略(將執行殺蟲任務的節點看作暫時性節點故障)的路由協議對保證數據傳輸實時性及保障基礎殺蟲任務尤為重要。

　　(3)　連續性區域節點無法傳輸數據。當區域性蟲害爆發時，一個或多個區域內SIL-IoTs節點在不可控時間內將處于無法傳輸數據狀態。一方面，殺蟲燈將優先執行殺蟲任務，區域性節點受到高壓電網放電干擾，難以完成數據傳輸任務。另一方面，蟲害爆發時，殺蟲燈持續執行殺蟲任務，勢必消耗大量電量，蟲害過后，較低的電池電量易造成各種類型的WSNs故障。因此，需要在蟲害尚未大規模爆發時，通過被動故障診斷策略快速定位失效節點。同時對爆發區域周圍節點打分，在其低于一定閾值時，將節點標記為失效節點，選擇備用路由路徑。基于此保障SIL-IoTs在惡劣環境下的可靠性。根據其需要檢驗及概率預測特性，可用統計方法與概率方法解決此類問題。

　　(4)　故障診斷方法失效。受到特殊因素的擾動，本來可正常工作的故障診斷方法可能無法有效的檢測本應檢測出的故障，或將無故障情況診斷為有故障，造成故障診斷方法失效。如偶發性復合故障。在實際場景中，很難檢測出有所的故障，為發生概率極低且影響不大的故障專門設置診斷方法價值不高。發生概率低但影響較大的故障，則需要針對性的故障診斷策略來應對。如網絡故障的同時蟲害爆發導致區域性節點失效，此種情況需要監測蟲害爆發區域鄰居節點的殺蟲統計數據、網絡拓撲結構變化是否異常等信息來排查故障。

　　在非自診斷方法中，關鍵節點硬故障或網絡故障，且無備份節點能代替其在通信鏈路中的作用時故障診斷方法亦會失效。通過關鍵節點轉發數據的其他節點無法與基站連通，即使能在本地進行故障診斷，也無法將故障信息發送到后臺。如平面路由協議中，蟲害爆發區域在基站周圍時，靠近基站的關鍵節點優先執行殺蟲任務。此時外圍節點無法將數據傳輸到基站，只能通過自診斷自恢復方式維持SIL-IoTs的正常運行。

　　此外，節點受惡意攻擊也會導致故障診斷方法失效。由于SIL-IoTs部署于野外，部署范圍大、難于監管，SIL-IoTs易受到軟件與硬件的攻擊。其中軟件攻擊即黑客入侵SIL-IoTs節點，通過泛洪攻擊、女巫攻擊等方式使SIL-IoTs出現異常，進而無法工作。此類惡意攻擊方式會誤導SIL-IoTs故障診斷的判斷。如惡意節點導致拜占庭故障(存在部分難以檢測的惡意節點發送錯誤數據或指令)，有效的故障容錯機制與安全機制可以保證網絡不受惡意節點影響，做出錯誤的判斷。硬件攻擊指SIL-IoTs節點中價值較高的組件(如太陽能板、電池)被盜或被破壞，此時后臺報此SIL-IoTs節點硬故障，但組件已被偷竊或破壞，故障診斷方法失去意義。

　　在這些故障診斷方法失效情形下，進行遠程故障診斷難以得到較好結果，特別是在不確定太陽能殺蟲燈組件故障還是傳感器節點硬故障時，需要維護人員現場檢修以排查故障。

　　5 總 結

　　SIL-IoTs是一種結合農業場景與物聯網技術的新型物理農業蟲害防治措施，而故障診斷方法則是保障SIL-IoTs可靠性、數據傳輸實時性、殺蟲效果的重要手段。本文介紹了太陽能殺蟲燈的研究現狀，探討了SIL-IoTs故障類型，分析了多種故障診斷方法在SIL-IoTs下的適用性，討論了SIL-IoTs場景下的故障診斷策略，并介紹了多種故障現象下適用的故障診斷工具，指出需要多種類型的故障診斷方法才能滿足SIL-IoTs場景下故障診斷需求。最后強調了SIL-IoTs場景下故障診斷存在的四個潛在挑戰，這四個挑戰是開展SIL-IoTs故障診斷工作的主要難點，需要更多的學者關注此類問題，開展相關性研究。此外，由于SIL-IoTs為農業物聯網典型應用，因此本研究可擴展至其它農業物聯網中，并為這些農業物聯網故障診斷提供參考。